역 강화 학습 퀴즈

퀴즈를 풀면 정답과 설명이 나타납니다.

1. 역 강화 학습의 목표는 무엇입니까?
   • 관찰된 전문가 행동을 설명하는 보상 함수
   • 경사하강법을 위한 더 빠른 최적화 도구
   • 데모의 압축 버전
   • 라벨이 지정된 이미지 데이터세트
2. IRL 문제가 잘못 제기되었거나 모호한 것으로 설명되는 이유는 무엇입니까?
   • 데모는 항상 완벽하게 최적이기 때문입니다.
   • 다양한 보상 함수가 동일한 행동을 설명할 수 있기 때문입니다.
   • 보상은 항상 음수여야 하기 때문입니다.
   • 전문가의 데이터가 필요하지 않기 때문에
3. 보상을 회복하는 것이 행동 복제에 비해 어떤 주요 이점을 가지고 있습니까?
   • 시연은 필요 없어
   • 항상 일정한 시간에 실행됩니다.
   • 보이지 않는 상태로 일반화하여 기본 목표를 포착합니다.
   • 어떤 정책도 사용하지 않습니다.
4. 최대 엔트로피 IRL은 보상 모호성을 어떻게 해결합니까?
   • 모든 보상이 동일하도록 강제함으로써
   • 최적이 아닌 궤적을 완전히 무시함으로써
   • 보상 기능을 제거하여
   • 총 보상에서 기하급수적으로 궤적 확률을 모델링함으로써
5. IRL이 보상 기능을 복구한 후 일반적으로 다음에 수행되는 작업은 무엇입니까?
   • 표준 강화 학습은 해당 보상에서 정책을 도출합니다.
   • 보상은 폐기됩니다
   • 공간 절약을 위해 데모가 삭제되었습니다.
   • 에이전트가 학습을 중지합니다.
6. IRL은 어떤 시나리오에서 특히 유용합니까?
   • 보상이 이미 완벽하게 알려진 경우
   • 전문가 행동 이면의 목표를 이해하고 일반화하고 싶을 때
   • 행동 데이터가 없는 경우
   • 고정된 동작만 외우고 싶을 때
7. Why can a constant zero reward explain many different expert policies?
   • It assigns the highest reward only to expert actions
   • It proves the expert is optimal
   • Every policy receives the same return, so none is preferred by the reward
   • It makes the transition model deterministic
8. In maximum-entropy IRL, how are higher-reward trajectories treated relative to lower-reward ones?
   • They are assigned probability zero
   • They are treated as equally likely regardless of reward
   • They are removed before policy learning
   • They receive higher probability, with probability depending exponentially on total reward